Комментарии 6
основная проблема распознавание обьектов на ортофотопланах это отсутствие нормальных датасетов чтоб учить тоже yolo.
Спасибо за интересную статью
Если можно, пару вопросов:
Сколько в конечном итоге было изображений для обучения?
т.е. изображения были 600х400?
какая из них часть была — просто картинки с коптера, а сколько — объекты для исследования?
Если можно, пару вопросов:
Сколько в конечном итоге было изображений для обучения?
т.е. изображения были 600х400?
какая из них часть была — просто картинки с коптера, а сколько — объекты для исследования?
Спасибо за интересную статью, мануалов, как начать работать с YOLO, объективно не так много, лишним точно не будет.
А не поделитесь, каких метрик качества удалось достичь?
Не думали расширить датасет фотографиями с условных гуглокартинок, хотя бы по самым интересующим и малопредставленным классам? Наверняка же что-то можно найти.
И еще, мне кажется, детекция аномалий это все-таки про другое, это про поиск «подозрительных, нетипичных» участков на изображениях, по типу головы сфинкса на Марсе. То, что ни на что не похоже. У Вас все-таки более рядовая задача детекции очень редких объектов нескольких классов. Очень похожая задача была подробно разобрана еще для 2/3 версии YOLO — там детектировали полипы/рак кишечника. Тоже очень много однотипных «пустых» изображений без единого объекта класса и редкие, но максимально важные объекты самого класса. И там перед автором вставал вопрос, какой уровень «паники» задавать для модели, чтобы не перегружать врача ложноположительными примерами, но при этом не допускать ложноотрицательных.
А не поделитесь, каких метрик качества удалось достичь?
Не думали расширить датасет фотографиями с условных гуглокартинок, хотя бы по самым интересующим и малопредставленным классам? Наверняка же что-то можно найти.
И еще, мне кажется, детекция аномалий это все-таки про другое, это про поиск «подозрительных, нетипичных» участков на изображениях, по типу головы сфинкса на Марсе. То, что ни на что не похоже. У Вас все-таки более рядовая задача детекции очень редких объектов нескольких классов. Очень похожая задача была подробно разобрана еще для 2/3 версии YOLO — там детектировали полипы/рак кишечника. Тоже очень много однотипных «пустых» изображений без единого объекта класса и редкие, но максимально важные объекты самого класса. И там перед автором вставал вопрос, какой уровень «паники» задавать для модели, чтобы не перегружать врача ложноположительными примерами, но при этом не допускать ложноотрицательных.
Спасибо за комментарий и вопрос! К сожалению, не удалось провести много экспериментов. Получил Mean average precision (mAP) 0.01346. Очень низкие метрики. Нужно много времени для обучения чтобы получить преемлемый результат.
По поводу расширения с условных гуглокартинок об этом не задумывался. Возможно имело бы смысл.
Насчет термина «Детекция аномалий», кажется организаторы использовали это понятие и мы просто его взяли.
По поводу расширения с условных гуглокартинок об этом не задумывался. Возможно имело бы смысл.
Насчет термина «Детекция аномалий», кажется организаторы использовали это понятие и мы просто его взяли.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Детекция аномалий на снимках с БПЛА